先付上代码:
import torch
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])
class LinearModel(torch.nn.Module):
def __init__(self):#构造函数
super(LinearModel,self).__init__()
self.linear = torch.nn.Linear(1,1)#构造对象,并说明输入输出的维数,第三个参数默认为true,表示用到b
def forward(self, x):
y_pred = self.linear(x)#可调用对象,计算y=wx+b
return y_pred
model = LinearModel()#实例化模型
criterion = torch.nn.MSELoss(size_average=False)
#model.parameters()会扫描module中的所有成员,如果成员中有相应权重,那么都会将结果加到要训练的参数集合上
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#lr为学习率
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred,y_data)
print(epoch,loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)
这是有关线性回归的代码,对应B站上这位博主的课程 传送门
对这些代码比较难懂的点做一下笔记:
class LinearModel(torch.nn.Module):
1、这句话是自己定义的一个类,以后如果做线性回归的可以通用的;哪怕不是做线性回归,也可以在这个函数内部改一改就行了。这个类的作用是求出前馈,也就是y_hat,如果以后用其他网络,只需要把这个类里面的forward方法改一改就行了。
self.linear = torch.nn.Linear(1,1)#构造对象,并说明输入输出的维数,第三个参数默认为true,表示用到b
y_pred = self.linear(x)#可调用对象,计算y=wx+b
2、看到这两句代码可能有点疑惑。torch.nn.Linear是一个类,里面是参数表示输入输出的维度,然后将类实例化。因为这个类包括了call回调函数,所以实例化后可以直接当成函数一样用。因为这个linear包括了call回调函数,而call回调函数又调用了forward,而forward是用来求y_hat的,所以给它一个x,它就返回一个y。
我们在使用时,是调用model这个类,这个类包含了forward,forword包含了linear,这块不用细究怎么做到的,反正真正起作用的应该是linear。
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)
3、linear里面是y=wx+b,通过输入输出维度,确定了w、b的维度,然后把x_data输入进去,就返回了y_hat,同时w和b的参数保存在linear.parameters里面。调用model.parameters其实是最终调用linear.parameters。语句 print('w=',model.linear.weight.item()) 也印证了这一点
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#lr为学习率
4、例如MSEloss、optim.SGD都是类,只不过内部有call函数,所以可以直接这么用,要分清楚,pytorch是一个比较大的库,肯定是采用面向对象的方式编程。